ECCVJul, 2022

无约束人脸识别的可控引导式脸部合成

PDF
TL;DR提出了一种可控人脸合成模型，通过在样式潜空间中模拟目标数据集的分布，实现在非受限环境下的面部识别（FR）任务，并可指导合成图像的 FR 模型训练，获得了在 IJB-B、IJB-C、TinyFace 和 IJB-S 等非受限测试基准上的显著性能提升（+5.76% Rank1）
face recognitionunconstrained environmentscontrollable face synthesis modelfr model trainingperformance gains
发现论文，激发创造
  • 使用未标记合成数据的无监督人脸识别

    本文提出了一种基于无标注的合成数据的无监督人脸识别模型 (USynthFace)，该模型使用大量的几何和颜色变换以及基于 GAN 的数据增强来训练，实现了相对较高的识别精度。

    Nov, 2022

  • 具有条件生成占用场的可控三维人脸合成

    本文提出了一种基于 NeRF 的条件生成 3D 人脸合成框架，该框架能够通过从 3D 脸部先验中强制显式的 3D 条件生成可控制性高保真面部图像，并且比现有的基于 2D 的可控制性合成方法具有更精确的 3D 可控制性。

    Jun, 2022

  • GCFSR: 一种基于生成和控制的人脸超分辨率方法，无需利用面部和 GAN 先验知识

    本文介绍了一种基于 GAN 先验的面部图像超分辨率方法，通过特征调制和风格调制生成更加真实的面部细节并保留识别信息，对比现有方法，该方法可以在不需要额外先验的情况下从头开始训练，并可在测试时通过特征调制实现不同的生成效果。

    Mar, 2022

  • SDFR: 用于人脸识别竞赛的合成数据

    本研究论文总结了为了解决网络爬取的面部识别数据集引发的合法、伦理和隐私问题，近期提出的利用生成模型生成合成数据集的研究成果，同时介绍了面向面部识别模型训练使用合成数据的 SDFR 竞赛的概述、参与模型的评估结果以及对未来研究方向的展望。

    Apr, 2024

  • CFSNet: 面向图像恢复的可控特征空间

    通过深度学习和交互式框架，我们提出了 Controllable Feature Space Network (CFSNet)，可以控制图像的重构结果，实现图像的去噪、保留细节和提高感知质量的平衡

    Apr, 2019

  • SynthForge: 利用可控 3D 生成模型合成高质量人脸数据集

    建立在真实数据基础上的生成模型能够以可控的方式呈现逼真的数据，但由于缺乏三维一致性注释和生成样本分布受限等问题，使用这些生成模型生成的数据进行下游任务训练仍未得到充分探索。为了解决这些挑战，我们从一个现有的可控生成模型中提取三维一致性注释，使数据在下游任务中发挥作用，实验证明使用仅生成的合成数据可以与最先进的模型竞争，具有解决下游任务的潜力。

    Jun, 2024

  • 3D-FM GAN: 面部三维可控制变化

    提出了一种新的 3D 可控脸部操作方法：3D-FM GAN，通过将输入脸部图像和 3D 编辑的真实渲染相结合，可以提供高质量、身份保留、3D 可控的脸部操作，相较于现有技术，具有更好的可编辑性、更强的身份保护和更高的照片逼真度。

    Aug, 2022

  • 3D 引导细粒度人脸操作

    提供了一种细致的人脸操作方法，利用三维人脸模型和分离出质地和形状的方法进行纹理和形状不同表情的构建，进而通过生成网络和全连接网络实现表情的合成和准确形状的预测，获得了优越的结果，并被 85% 的用户优先选择，并且在 53% 的情况下，注释员无法可靠地区分合成的图像和真实图像的差别。

    Feb, 2019

  • 面部识别联邦无监督领域自适应

    本文提出了一种联合优化聚类域自适应与联邦学习的方法来解决隐私约束下使用的人脸识别问题，并在新构建的基准测试数据集上进行了广泛的实验，证明在不同的评估指标上，该方法在目标域上的表现优于基线和经典方法 3％至 14％。

    Apr, 2022

  • 面部综合识别中的身份特征解耦人脸合成

    本文介绍一种从异构数据扩充的视角出发的新型异构人脸识别方法 —— 具有身份属性解缠的人脸合成（FSIAD），在大量合成的图像中使用随机组合的解缠特征丰富图像属性的多样性，并将合成和原始图像同时用于训练网络，以提高异构人脸识别的性能。

    Jun, 2022